رشد روزافزون اخبار آنلاین، نیاز به سامانه‌های خودکار و هوشمند را برای سازمان‌دهی اطلاعات و پیشنهاد مطالب متناسب با علایق کاربران افزایش داده است. با وجود آنکه روش‌های سنتی مانند استفاده از وزن‌دهی واژه‌ها و الگوریتم بیز ساده، پایه‌گذار این حوزه بوده‌اند، ناتوانی آن‌ها در درک معنای عمیق واژه‌ها و پردازش سریع داده‌ها، کاربرد عملی‌شان را محدود کرده است. در این پژوهش، چارچوبی ترکیبی برای طبقه‌بندی اخبار پیشنهاد شده که یادگیری ماشین کلاسیک را با فناوری‌های نوین زبان‌شناسی رایانه‌ای تلفیق می‌کند. در این روش سه نوآوری اصلی ارائه شده است: نخست، استخراج ویژگی‌های اختصاصی هر حوزه برای شناسایی واژه‌های متمایز؛ دوم، استفاده از مدل‌های زبانی پیشرفته برای تشخیص دقیق‌تر واژه‌های مهم و رفع ابهام در واژه‌های کم‌کاربرد؛ و سوم، طراحی سازوکاری بهینه که با حفظ دقت بالا، سرعت اجرای سامانه را چندین برابر افزایش می‌دهد. این مدل بر مجموعه‌ای از اخبار وب‌سایت سینا در ۱۱ دسته آزمایش شد و دقتی برابر با ۹۵ درصد به دست آورد که نسبت به روش‌های مرسوم بهبود چشمگیری داشت. نتایج نشان می‌دهد سامانه در تفکیک دسته‌های خبری با تفاوت معنایی واضح عملکرد بسیار خوبی دارد و در عین حال از نظر سرعت و بهره‌وری برای استفاده واقعی نیز مناسب است. این پژوهش گامی در جهت پیوند میان روش‌های آماری سنتی و مدل‌های هوشمند نوین است و می‌تواند الگویی کارآمد و کم‌هزینه برای سامانه‌های خبری فراهم کند.

استخراج ویژگی بیز ساده TF IDF طبقه‌بندی اخبار پردازش زبان طبیعی مدل ترکیبی یادگیری ماشین